买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉电子科技大学申请的专利一种基于字典学习和深度学习的图像压缩方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119135908B 。

龙图腾网通过国家知识产权局官网在2025-10-14发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411263788.5，技术领域涉及：H04N19/147；该发明授权一种基于字典学习和深度学习的图像压缩方法是由顾舒航;卢景博;张乐恒设计研发完成，并于2024-09-10向国家知识产权局提交的专利申请。

本一种基于字典学习和深度学习的图像压缩方法在说明书摘要公布了：本发明提出了一种基于字典学习和深度学习的端到端图像压缩方法。该方法首先通过一个可学习的网络参数作为字典，该字典在神经网络的梯度下降训练过程中被用来捕捉自然图像中常见的纹理和图案。随后，在自回归编解码的过程中，我们使用包含部分纹理信息的特征通过交叉注意力的方法来查询包含完整纹理信息的字典，目的是利用已解码的部分信息中提取出完整纹理信息的字典特征，这些特征将用于概率分布建模。此字典能够总结训练数据集中有用的信息，提供先验知识。在自回归编解码时，通过利用这种先验信息，可以更精确地对当前编解码的信息进行概率分布建模，从而实现更短的编码长度。这一方法不仅提高了图像压缩的效率，还增强了重构图像的质量。

本发明授权一种基于字典学习和深度学习的图像压缩方法在权利要求书中公布了：1.一种基于字典学习和深度学习的图像压缩方法，其特征在于，包括以下步骤： 步骤S1：获取训练数据并预处理； 步骤S2：构建端到端深度图像压缩网络；所述图像压缩网络包括编码器、解码器、基于字典的熵模型、超先验模块、量化器；待压缩图片作为输入通过编码器得到待压缩的潜在表示；潜在表示输入超先验模块和量化器；使用一个可学习的字典，超先验模块产生超先验特征帮助基于字典的熵模型进行概率分布估计；量化器将潜在表示离散化为量化后的潜在表示；通过基于字典的熵模型输出的概率分布，对量化后的潜在表示进行编码为比特流或者从比特流中解码得到解码后的表示；解码后的表示使用量化误差r反量化得到反量化后的潜在表示；然后进一步被解码器恢复出重构图像； 所述基于字典的熵模型包括基于字典的交叉注意力模块DCA和概率分布估计网络fE和量化误差预测网络fLRP；具体的，将超先验特征Fz与解码后的潜在表示切片作为基于字典的交叉注意力模块的输入来产生对于字典的查询，然后得到查询完字典后的携带着完整纹理的特征Fdict： 随后，Fz、和Fdict送入概率分布估计网络fE得到概率分布参数Φi： 概率分布参数Φ用于对正在进行编解码的切片进行编码成比特流或者将其从比特流当中解码恢复出来； 步骤S3：对图像压缩网络进行有监督的训练，得到训练好的图像压缩网络，进行后续的图片压缩。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人电子科技大学，其通讯地址为：611731 四川省成都市高新区(西区)西源大道2006号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。